En esta tesis se estudió el cerebro y sus propiedades emergentes bajo el marco de los sistemas complejos. En este terreno, la emergencia de la consciencia tiene la particularidad de ser uno de los temas más misteriosos y controversiales en la historia del conocimiento humano. Las dificultades de encontrar explicaciones reduccionistas, propias de los sistemas complejos, en el caso de la consciencia como emergente tienen el agravante de no disponer de una descripción cuantificable, al menos al día de hoy, para las variaciones de los estados de consciencia. El sueño como acceso cotidiano y reversible a estas variaciones, combinado con técnicas de neuroimágenes, parece ser un buen camino para el estudio de este problema. La técnica de resonancia magnética funcional, puntualmente, permite estudiar la actividad cerebral a gran escala, cuya organización espacio-temporal no trivial refleja la complejidad del cerebro emergente a esa escala. Los estados cerebrales encontrados muestran una dinámica macroscópica susceptible de ser modelada por analogía a transiciones de fase de 2do orden en sistemas físicos, debido a su similitud con los fenómenos críticos. La emergencia entonces podría estudiarse a partir de la dinámica del cerebro operando cerca del punto crítico, al menos desde una perspectiva de la representación macroscópica de la actividad cerebral. En la primera parte de la tesis buscamos evidencias de la presencia de fenómenos críticos en una representación macroscópica de la actividad cerebral a partir de datos de resonancia magnética funcional adquiridos en sujetos sanos en reposo durante distintas etapas de sueño y vigilia. Esto lo hicimos estudiando el comportamiento tipo avalancha de las co-activaciones de la actividad cerebral a gran escala. Para ello definimos dominios de co-activación para cada tiempo como el conjunto de regiones contiguas que se activan simultáneamente, es decir, cuya actividad supera un umbral de binarización de la señal. Se ha demostrado que la distribución de tamaños de estos dominios sigue una ley de potencia para sujetos controles despiertos en acuerdo con la propiedad de invarianza de escala asociada al régimen crítico, determinando un comportamiento de tipo avalanchas de co-actividad. En base a esto, comparamos las leyes de potencias obtenidas y sus parámetros de escala entre las distintas etapas de sueño y vigilia como marcadores de criticalidad, siendo indicadores del régimen en el que opera el cerebro para dichos estados. De esta manera, encontramos diferencias significativas en el parámetro de escala entre la etapa de sueño N2 y la vigilia. Estos resultados fueron robustos frente a distintos sampleos espaciales (granulado grueso), modelos de ajuste alternativos de las distribuciones y diferentes umbrales de binarización de las señales, y desaparecieron al randomizar la fase de las series temporales rompiendo las correlaciones. Los comportamientos de tipo avalanchas de co-activación encontrados son compatibles con la presencia de fenómenos críticos característicos en una dinámica macroscópica de transiciones de fase. En la segunda parte de la tesis, exploramos la aplicación de modelos de aprendizaje profundo para reconocer transiciones de fase automáticamente. Entrenamos redes neuronales convolucionales a partir de estados simulados de distintos sistemas físicos tradicionalmente asociados a dinámicas de transiciones de fase como el modelo de Ising y el modelo de percolación. Los modelos entrenados aprendieron a clasificar fases en distintos estados y a reconocer las transiciones por eliminación. La salida del clasificador es la probabilidad de pertenecer a las distintas fases, por lo que de ella se puede deducir la cercanía de un estado a la transición, permitiendo identificar automáticamente fenómenos críticos. Estudiamos las características de aprendizaje de estos clasificadores con el objetivo de obtener una mejor comprensión de los mecanismos asociados a la efectividad de estos métodos para reconocer las transiciones y sus limitaciones en la generalización a otros sistemas. Planteamos entonces la posibilidad de un nuevo marco para definir métricas de complejidad, basado en la aplicación de técnicas de aprendizaje automático. Bajo este marco, en la tercera parte de la tesis, diseñamos un clasificador específicamente entrenado para reconocer transiciones de fase en la representación macroscópica de la actividad cerebral. Como cierre de este trabajo, aplicamos este clasificador a los estados cerebrales en distintas etapas de sueño, comparando entonces los patrones de fenómenos críticos encontrados por el clasificador con los resultados de marcadores de criticalidad referidos en la primera parte. Encontramos una marcada correspondencia entre ambos, planteando la potencialidad de la identificación automática de fenómenos críticos en la búsqueda de métricas que permitan cuantificar la consciencia. In this thesis we study the brain as a complex system and its emergent properties. In this field, the emergence of consciousness has the peculiarity of being one of the most mysterious and controversial issues in the history of human knowledge. The difficulties of finding reductionist explanations, inherent in complex systems, in the case of conscious-ness as emergent have the aggravation of not having a quantifiable description, at least to date, for the variations of the states of consciousness. Sleep as a daily and reversible access to these variations, combined with neuroimaging techniques, seems to be a good way to study this problem. The functional magnetic resonance imaging technique allows studying brain activity on a large scale, whose non-trivial spatio-temporal organization reflects the emergent complexity of the brain at that scale. The brain states found show macroscopic dynamics that can be modeled by analogy to 2nd order phase transitions in physical systems, due to their similarity with critical phenomena. From this perspective, the emergence could be the result of the brain operating near the critical point, at least from the perspective of the macroscopic representation of brain activity. In the first part of the thesis, we looked for evidence of the presence of critical phenomena in a macroscopic representation of brain activity from functional magnetic resonance data acquired in healthy subjects at rest during different stages of sleep and wakefulness. We did this by studying the avalanche-like behavior of large-scale co-activations of brain activity. For this we define co-activation clusters for each time as the set of contiguous regions that are activated simultaneously, that is, whose activity exceeds a signal binarization threshold. The size distribution of these clusters follows a power law for awake control subjects in accordance with the property of scale invariance associated with the critical regime, determining an avalanche-like behavior of co-activity. We compared the power laws obtained and their scale parameters between the different stages of sleep and wakefulness as criticality markers, being indicators of the regime in which the brain operates for these states. In this way, we find significant differences in the scale parameter between sleep stage N2 and wakefulness. These results were robust against different spatial resolutions (coarse graining), alternative fit models of the distributions, and different thresholds of binarization of the signals, and disappeared when the phase of the time series was randomized, breaking the correlations. The co-activation avalanche-like behaviors found are compatible with the presence of characteristic critical phenomena in a macroscopic dynamics of phase transitions. In the second part of the thesis, we explore the application of deep learning models to recognize phase transitions automatically. We trained convolutional neural networks from simulated states of different physical systems traditionally associated with phase transitions dynamics, such as the Ising model and the percolation model. The trained models learned to classify phases in different states and to recognize phase transitions by elimination. The output of the classifier is the probability of belonging to the different phases, so that it can be deduced from it the proximity of a state to the phase transition, allowing to automatically identify critical phenomena. We study the learning characteristics of these classifiers in order to obtain a better understanding of the mechanisms associated with the effectiveness of these methods to recognize transitions and their limitations in the generalization to other systems. We therefore propose the possibility of a new framework to define complexity measures, based on the application of machine learning techniques. Under this framework, in the third part of the thesis, we design a classifier specifically trained to recognize phase transitions in the macroscopic representation of brain activity. As a closing of this work, we apply this classifier to brain states in different sleep stages, comparing thereby the patterns of critical phenomena found by the classifier with the results of criticality markers of the first part. We found a significant correspondence between the two, suggesting the potential of the automatic identification of critical phenomena in the search for metrics that allow to quantify consciousness. Fil: Bocaccio, Hernán. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.